净化交叉验证的底层数学机理：金融时序建模中数据泄露与截断阻断

你用收益率、波动率、盘口成交、宏观因子训练模型，交叉验证分数漂亮，样本外回测也一路上扬。模型像装上了瞄准镜，扫损变少，胜率抬头，净值曲线甚至顺滑得不像交易系统。可一旦接入实时行情，信号开始失真，滑点放大，连续止损，最后不是模型崩溃，就是仓位把账户绞杀。

问题往往不在算法本身。随机森林没有突然失灵，神经网络也没有凭空变蠢。真正的问题是：你把带有未来信息的金融标签拆开、打散，再塞进了传统交叉验证。训练集和测试集表面上互不相同，时间窗口却已经互相咬住。

这就是金融时序建模里最隐蔽、也最致命的数据泄露。净化交叉验证不是换一种评分方式，而是重新规定训练样本和测试样本之间的边界：哪些样本必须剔除，哪些时间段必须封锁，哪些回测路径才算真正的样本外检验。

金融模型的回测分数，先要证明自己没有偷看未来；否则那条漂亮的净值曲线，只是泄露信息画出来的幻觉。

传统K折交叉验证，为什么在金融市场里会失效

独立同分布假设，先被市场结构击穿

传统K折交叉验证建立在一个干净的统计前提上：样本近似独立同分布。数据可以被切成若干份，轮流拿一份做测试，其余部分做训练。训练集与测试集之间没有直接关系，模型在训练集上学习，在测试集上接受检验。

自然语言分类、图像识别、普通回归任务里，这个框架通常能工作。因为一张图片的标签不会延续到下一张图片，一封邮件的分类结果也不会受到几分钟后另一封邮件的影响。

金融市场不是这种东西。

分钟线、Tick数据、订单簿快照、因子值和未来收益之间存在明显的时间依赖。波动率会聚集，成交量会持续扩张或收缩，盘口买卖压力会延续，趋势和反转会在一段时间内连续出现。你今天看到的价格行为，和下一根、下十根K线之间并不是互相隔绝的白纸。

假设你在时间点 \(t\) 生成一个样本，特征来自当时已经可见的数据，标签定义为未来一段时间内的收益：

\[

y_t = \frac{P_{t+h}}{P_t} - 1

\]

这里的 \(h\) 是预测期限。若 \(h=20\)，标签就不是一个瞬间，而是从 \(t\) 延续到 \(t+20\) 的未来收益窗口。

如果你用传统K折把样本随机打散，时间点 \(t\) 的样本可能进入训练集，而时间点 \(t+5\)、\(t+10\) 或 \(t+15\) 的样本进入测试集。两个样本虽然索引不同，标签窗口却发生了重叠。

模型不需要直接看见测试集标签，也能通过高度相关的训练样本摸到测试集答案的边缘。这个泄露很隐蔽，代码不会报错，数据维度不会错，训练过程也会正常收敛。只有实时交易时，账户会用连续扫损告诉你真相。

前瞻性标签不是一个时间点，而是一段时间区间

金融机器学习中，最容易被低估的对象就是标签。

很多人把标签理解成某一时刻的涨跌方向。例如，用 \(t\) 时刻的特征预测 \(t+1\) 时刻价格上涨还是下跌。这种标签窗口很短，重叠范围有限。

但真正的交易标签往往不是这么简单。你可能使用未来20根K线的收益，也可能等待止盈、止损或时间限制中的某一个先触发。此时，一个训练样本的标签对应的是一个未来区间，而不是一个孤立时间点。

可以把第 \(i\) 个样本的标签时间窗口写成：

\[

\lambda_i = [t_i, \tau_i]

\]

其中：

• \(t_i\) 是样本起始时间；
• \(\tau_i\) 是标签结束时间；
• \(\lambda_i\) 是该样本从起点到标签确定之间占用的时间区间。

若测试样本的标签窗口是：

\[

\lambda_j = [t_j, \tau_j]

\]

当两个区间满足：

\[

\lambda_i \cap \lambda_j \neq \varnothing

\]

就意味着训练样本和测试样本的标签窗口发生重叠。

传统K折只检查样本索引有没有重复，不检查标签窗口有没有交叉。这就像把两笔期货订单分配给不同账户，却不看它们是不是同时在抢同一个盘口。表面分开，风险仍然叠在一起。

时间顺序切分，也不能自动解决泄露

有人发现随机K折不可靠，于是改成按时间顺序切分：前面的数据训练，后面的数据测试。方向没错，但这仍然不是完整答案。

假设训练集截止于时间 \(T\)，测试集从 \(T\) 之后开始。训练集中最后几个样本的标签窗口可能延伸到测试区间内部。也就是说，训练样本在切分点之前产生，但它的未来标签覆盖了测试数据所在的时间段。

举例来说：

• 训练样本起点：10:00；
• 标签需要观察未来30分钟；
• 训练集最后一个样本起点：10:50；
• 测试集从11:00开始。

这个训练样本的标签窗口会延续到11:20。测试集从11:00开始，但训练阶段已经使用了11:00至11:20之间的信息来确定标签。时间顺序看起来没有倒置，标签信息却已经穿过了切分线。

这不是简单的“训练数据早于测试数据”就能解决的问题。你必须追踪每一个标签真正结束的时间。

净化机制：从训练集中剔除与测试标签重叠的样本

净化不是删除测试数据，而是清空污染区域

净化，也就是Purging，处理的是标签窗口重叠问题。

在每一次交叉验证中，测试集先被确定。接下来，不是直接把剩余样本全部交给模型，而是逐个检查训练样本的标签时间窗口。凡是与测试样本标签窗口发生重叠的训练样本，一律从训练集剔除。

假设测试集包含样本集合 \(E\)，其标签窗口覆盖的总体时间范围为：

\[

[t_{\min}^{E}, \tau_{\max}^{E}]

\]

对于一个候选训练样本 \(i\)，如果它的标签结束时间 \(\tau_i\) 晚于测试窗口开始时间 \(t_{\min}^{E}\)，同时它的标签开始时间 \(t_i\) 早于测试窗口结束时间 \(\tau_{\max}^{E}\)，就需要将其移出训练集：

\[

\tau_i > t_{\min}^{E}

\quad \text{且} \quad

t_i < \tau_{\max}^{E}

\]

这就是区间相交判断。

在工程实现中，不能只拿样本的观测时间戳做过滤。你需要为每个样本保存至少两个时间字段：

如果你的数据表只有一个时间戳，却没有标签结束时间，那么净化交叉验证很可能只是摆设。你连泄露发生在哪个区间都不知道，谈不上精确阻断。

用三屏障标注法时，标签结束时间必须动态记录

三屏障标注法把标签建立在三道屏障之上：

1. 止盈屏障；

2. 止损屏障；

3. 时间限制屏障。

样本从 \(t_i\) 开始向前观察，哪一道屏障先被触发，哪一个时间就决定标签的结束。可以写成：

\[

\tau_i = \min(\tau_i^{\text{止盈}}, \tau_i^{\text{止损}}, \tau_i^{\text{时间}})

\]

因此，标签窗口是：

\[

\lambda_i = [t_i, \tau_i]

\]

这里最容易出错的地方，是把所有标签的结束时间粗暴设成固定的 \(t_i+h\)。如果实际交易中止损在第3根K线被击穿，标签已经结束；如果价格一直没有碰到止盈和止损，直到时间限制才结束。两种样本的标签窗口长度根本不同。

你却把它们全部当成固定20根K线，净化窗口就会失真：

• 窗口设短了，残留泄露；
• 窗口设长了，训练样本被无谓删除；
• 对高频数据直接使用低频窗口，模型有效样本会被大面积绞杀；
• 对低频数据使用过短窗口，回测分数依然会虚高。

所以，三屏障标注法与净化交叉验证必须共享同一套事件结束时间。标签生成模块说样本在某时刻结束，交叉验证模块就必须使用这个时刻，而不是重新猜一个固定期限。

净化的刀口，不是切在样本编号上，而是切在标签真正闭合的时间边界上。

一个具体的时间切分例子

假设有连续生成的交易信号，每个信号在未来最多观察30分钟。测试块覆盖11:00至11:30。

训练集中有以下三个样本：

• 样本甲：10:10生成，10:25触发止盈；
• 样本乙：10:40生成，11:05触发止损；
• 样本丙：10:50生成，11:35达到时间限制。

样本甲的标签窗口是10:10至10:25，与测试窗口不重叠，可以保留。

样本乙的标签窗口是10:40至11:05，穿过测试区间起点11:00，必须剔除。

样本丙的标签窗口是10:50至11:35，不仅穿过测试区间，还延伸到测试块结束之后，同样必须剔除。

如果只按照样本生成时间判断，乙和丙都早于11:00，程序会错误地把它们留在训练集中。模型训练时使用了标签最终在测试期内才确定的样本，这就是实打实的前瞻性泄露。

禁运机制：净化之后，为什么还要继续封锁

净化解决标签重叠，禁运解决残留相关性

净化和禁运不是一回事。

净化针对的是标签窗口相互重叠。测试标签覆盖到哪里，训练样本就清理到哪里。它处理的是可直接描述的时间区间交叉。

禁运，也就是Embargoing，处理的是测试块结束以后仍然可能延续的序列相关性。即便训练标签没有与测试标签发生重叠，市场状态、波动结构和特征序列仍可能在相邻时间内持续传递。

测试块刚结束，后面的数据未必立刻与测试块独立。波动率冲击会延续，盘口失衡会拖尾，成交量状态会缓慢回落，收益序列也可能表现出自相关。对依赖时间序列结构的特征而言，紧贴测试块结束位置的训练样本，仍然可能携带测试阶段的状态痕迹。

禁运的做法，是在测试块之后额外划出一段缓冲区，不把这段区域交给训练。训练样本必须避开：

1. 测试块本身；

2. 与测试标签窗口重叠的区域；

3. 测试块结束之后的禁运缓冲区。

这段缓冲区的长度通常记作 \(embargo\_td\)。它不是固定的市场常数，也不能从某个通用比例里直接抄走。高频盘口数据、日线趋势因子、宏观经济变量，其自相关结构不同，禁运窗口必须根据具体数据和标签构造设定。

为什么测试块之后还会有泄露风险

考虑一个波动率特征。它使用过去一段时间的收益计算，如果测试块中出现剧烈行情，测试块结束后的若干样本仍可能受到这一波波动冲击影响。

再看一个移动平均差值。它虽然没有使用未来数据，但在测试块结束后的短时间内，特征值仍然携带测试阶段价格变化造成的状态转移。如果你把紧邻测试块的数据重新放回训练，模型会学习到一个过于连续、过于理想化的市场状态衔接。

再比如订单簿因子。盘口深度、撤单速度、主动买卖成交比例常常在冲击行情后出现连续变化。单根K线没有直接偷看未来，不代表相邻样本已经独立。市场不会按照你的折叠线切断记忆。

可以把序列相关性粗略理解为：

\[

X_t \not\perp X_{t+\Delta}

\]

当 \(\Delta\) 很小时，两个时点的特征状态仍然存在依赖。禁运不是证明相关性彻底消失，而是主动留出缓冲，避免训练样本紧贴测试区间，降低这种依赖对评估结果的干扰。

禁运窗口不能替代净化窗口

这两个步骤经常被混成一个“留出一段时间”的粗糙操作，结果两边都做不好。

如果只有禁运，没有净化，训练集中仍可能存在标签窗口穿过测试区间的样本。你把测试块后面空出一段时间，却放任训练标签穿透测试块本身，泄露照样发生。

如果只有净化，没有禁运，重叠标签被清掉了，但测试块后的近邻序列仍可能携带高度相关的市场状态。模型分数未必立刻失控，却会被评估得过于乐观。

两者的分工可以这样看：

设定禁运长度，别拿拍脑袋当参数优化

禁运窗口没有适用于所有资产、所有周期的统一最佳比例。这个结论不讨喜，但交易系统不靠讨喜运行。

你需要观察数据本身的相关性结构：

• 特征的自相关函数衰减到什么程度；
• 波动率冲击持续多久；
• 标签期限有多长；
• 交易信号是否高频密集重叠；
• 资产是否存在夜盘、跨日或跨市场联动；
• 特征是否经过滚动窗口、平滑处理或状态滤波；
• 数据是否存在缺失、停牌、节假日和不连续交易时段。

如果一个因子使用过去60个交易日的滚动统计，禁运只设置几个小时，谈不上切断它的历史依赖。如果策略是秒级盘口交易，直接照搬日线模型的禁运长度，又会把本来稀缺的样本一刀扫掉。

参数的目标不是让训练集尽可能大，而是让样本外评估足够接近真实上线环境。训练样本少一点，模型还能重新训练；验证结果被污染，实盘资金会直接爆仓。

组合式净化交叉验证：不再迷信一条回测净值曲线

单次回测路径，无法描述策略稳定性

传统做法经常只看一条回测曲线：前半段训练，后半段测试。曲线向上，策略通过；曲线回撤，策略淘汰。

这套方法的问题在于，单条路径只给出一个结果。它可能恰好经历了适合策略的行情，也可能恰好避开了最难的阶段。你看到的是一个数字、一条曲线、一次市场顺序，而不是模型在多种样本外组合下的性能分布。

组合式净化交叉验证，简称CPCV，试图把单次回测扩展成多条完全样本外的回测路径。

先将时间序列划分为 \(N\) 个连续数据块，每次选取 \(k\) 个数据块作为测试集。理论上的测试组合数量为：

\[

C(N,k)=\frac{N!}{k!(N-k)!}

\]

每一种测试块组合都要经过净化和禁运，训练集不能使用被污染的样本。这样得到的不是一条回测路径，而是一组不同时间组合下的样本外结果。

研究框架中常用的回测路径数量表达为：

\[

\varphi = \frac{k}{N} C(N,k)

\]

这个表达式的意义，不是让你盲目追求更多折数，而是说明：同一段历史数据可以被组织成多条样本外路径，模型性能应当以分布来观察，而不是押在一条顺风路径上。

CPCV真正改变的，是你看待模型成绩的方式

假设同一个模型在多条样本外路径上得到不同的年化收益、最大回撤、夏普比率和换手率。你不会再只问“模型的夏普是多少”，而会继续追问：

• 不同路径之间的收益差异是否剧烈；
• 最大回撤是否集中在某些市场状态；
• 盈利是否依赖少数几个测试块；
• 换手和滑点放大后，收益是否仍然存在；
• 模型在趋势、震荡、极端波动阶段是否出现结构性失效；
• 哪些路径中出现连续扫损，原因是标签定义、特征失效，还是交易执行问题。

一个平均分漂亮、路径分布极度发散的模型，不能被当成稳定系统。它可能只是吃到了某种行情结构。一旦状态切换，模型就会在盘口里失去方向感。

相反，一个收益不夸张、各路径表现更接近的模型，往往更值得进入后续验证。金融交易不是算法竞赛。模型不需要每一段行情都把利润吃干净，但必须知道自己在哪些条件下会失灵。

组合数量增加，不等于有效信息无限增加

CPCV也不是魔法。组合数 \(C(N,k)\) 增加后，计算开销会迅速上升，训练过程变重，结果之间还可能存在共享数据块带来的相关性。

如果历史样本本身很短，硬切出大量数据块，会造成每个测试块过小、训练样本不稳定。反过来，如果数据块过长，组合数量和状态覆盖又不足。你需要在计算资源、样本数量、标签期限和市场状态覆盖之间做平衡。

更麻烦的是，净化和禁运会进一步减少可用训练样本。表面上你拥有多年行情，真正进入某次训练的样本可能已经被测试区间、标签重叠和缓冲时间连续削掉。此时如果还在模型层面堆更深的网络、更复杂的特征，通常不是解决问题，而是在更少的数据上制造更强的过拟合。

从标签生成到交叉验证：一套不能脱节的实操链条

净化交叉验证最怕模块之间互相甩锅。标签团队只负责生成标签，特征团队只负责加工数据，验证团队拿着最终表格做K折。每个模块单独看似正确，组合起来却把未来信息放进了训练集。

真正可靠的流程，至少要把以下环节串起来。

第一步：先定义信息可用时刻

每个特征必须有明确的可用时间，而不是只记录数据所属日期。

例如，收盘价在收盘后才确定，盘中成交量会随着交易进程更新，宏观数据有发布时间和修订时间，财报字段还可能存在公告日与报告期的差异。你需要记录的是模型在真实交易时刻能否看到该字段，而不是数据库里那一行数据写着哪个日期。

如果特征的发布时间已经晚于信号生成时间，哪怕它来自历史数据，也属于前瞻信息。净化交叉验证解决不了特征工程本身的未来函数。

第二步：为每个样本生成真实标签结束时间

对固定期限收益标签，标签结束时间可以由预测期限计算。

对三屏障标签，必须记录实际触发屏障的时间。止盈先触发，结束时间就是止盈时刻；止损先触发，结束时间就是止损时刻；两者都没有击穿，才使用时间限制。

每个样本至少要形成这样的记录：

不要把标签结束时间藏在临时变量里。它是交叉验证的核心字段，必须能够追溯、检查和复算。

第三步：先分测试块，再做净化

不能先把数据随机打散，再对每折做一点时间过滤。测试块应当依据连续时间区间建立，然后针对当前测试块扫描训练候选样本。

流程可以压缩为以下动作：

1. 将时间序列划分为连续数据块；

2. 选定当前测试数据块；

3. 找出测试样本的整体标签覆盖区间；

4. 从候选训练集中剔除标签窗口与测试区间相交的样本；

5. 在测试块之后应用禁运窗口；

6. 对剩余训练样本执行特征处理和模型训练；

7. 在测试块上进行完全样本外预测；

8. 保存预测结果、交易成本、滑点和路径指标。

顺序不能颠倒。尤其不能先用全量数据拟合标准化器、缺失值填补器或特征选择器，再切分训练测试。否则即便标签已经净化，特征处理阶段仍然会把测试分布的信息带回训练过程。

第四步：记录每次切分到底删掉了什么

工程上不要只保存训练索引和测试索引，还要记录：

• 当前测试块的起止时间；
• 测试标签的最早开始时间和最晚结束时间；
• 净化删除的训练样本数量；
• 禁运删除的样本数量；
• 最终训练样本数量；
• 训练集与测试集之间的最小时间距离；
• 是否存在标签区间交叉；
• 特征滚动窗口的最大回看长度；
• 训练过程中是否重新拟合了数据预处理组件。

这些日志不是给审计人员看的装饰品，而是排查泄露的弹药。某一折结果异常漂亮，先查它删了多少样本、测试窗口是否跨越夜盘、标签结束时间是否完整，而不是先给模型换参数。

净化交叉验证与滚动特征，最容易撞上的几个坑

滚动统计不一定安全，关键看边界

只使用过去数据的滚动均值、滚动波动率和移动平均，本身不等于安全。你要检查滚动窗口是否跨越了训练测试边界，以及窗口内的数据是否在真实交易时刻可用。

如果测试样本位于未来区间，使用其自身过去数据通常符合实时交易逻辑。但如果你先在全量数据上进行平滑、去噪、填充或归一化，再切分，操作就可能混入测试分布。

尤其是全样本标准化：

\[

z_t = \frac{x_t-\mu_{\text{all}}}{\sigma_{\text{all}}}

\]

这里的 \(\mu_{\text{all}}\) 和 \(\sigma_{\text{all}}\) 使用了全量样本，包括测试区间。正确做法是在每一折中只用训练集计算参数，再将训练参数应用到测试集：

\[

z_t^{\text{test}} =

\frac{x_t^{\text{test}}-\mu_{\text{train}}}

{\sigma_{\text{train}}}

\]

否则你只是把泄露从标签层转移到了预处理层。

事件样本密集时，训练数据会被大面积清理

当信号每分钟生成一次，而每个标签观察期限是30分钟，样本标签窗口必然高度重叠。一个测试块可能牵动大量训练样本被净化剔除。

这不是算法故障，而是数据结构决定的结果。你如果坚持保留所有重叠样本，就必须承认这些样本之间不是独立观测。把样本数量写得很大，不等于获得了同等数量的独立信息。

此时可以从几个方向处理：

• 降低事件触发频率，避免每个时间点都生成标签；
• 对相邻信号进行事件采样；
• 重新设计标签期限，使其与策略持仓周期匹配；
• 在评估中明确记录有效样本减少情况；
• 不要因为训练样本下降，就偷偷取消净化。

期货跨交易时段，时间窗口不能只按自然时间计算

期货市场存在日盘、夜盘、休市和跨日交易时段。标签窗口按自然时间推进，和按实际交易分钟推进，得到的结果可能不同。

例如，夜盘结束后的休市时间不产生行情，但标签期限仍可能按交易日规则计算。你必须先明确标签定义：

• 按固定自然时间结束；
• 按固定交易K线数量结束；
• 按下一个交易时段结束；
• 按屏障触发结束。

这些规则会直接改变 \(\tau_i\)，进而改变净化区域和禁运区域。时间索引如果没有处理交易日历，交叉验证的边界就会被休市时段扭曲。

高频盘口数据不能只看价格标签

盘口策略的泄露来源比价格收益更复杂。买一价、卖一价、队列深度、撤单比例、主动成交方向、撮合延迟，这些数据的时间戳必须统一到真实可用顺序。

如果你使用了某个时间桶结束时才汇总完成的盘口特征，却把它标记成时间桶开始时可用，模型已经提前获得了未来成交信息。净化只负责处理样本之间的标签和序列关系，不能替你修复错误时间戳。

更不能把同一笔成交拆成多个样本后，假装它们是互相独立的证据。市场微观结构里，重复采样会把一段行情的影响放大，让模型在回测里吃货，在实盘里被滑点反噬。

如何判断净化是否真的生效

净化交叉验证不是加上一个类名、传入两个参数，就能自动宣告模型清白。你需要对切分结果做可验证的检查。

先查标签区间有没有交叉

对每一次折叠，逐个检查训练样本和测试样本的标签区间。若存在：

\[

\max(t_i,t_j)

<

\min(\tau_i,\tau_j)

\]

就说明两个区间发生重叠，净化没有完成，或者区间边界定义存在错误。

在实际数据量较大时，不一定需要两两扫描，但必须通过排序、区间索引或专门的数据结构完成同等判断。不要只检查训练和测试的样本编号是否重复，那是最没有价值的检查。

再看禁运边界是否真正落地

测试块结束后，禁运区间必须从训练集中消失。需要检查测试结束时间与最近训练样本的时间距离，确认它是否满足设定的 \(embargo\_td\)。

这里还要注意标签结束时间。某些训练样本虽然起始时间很早，但标签结束时间很晚。它们可能跨过测试块结束位置，不能因为样本起点早就被放回训练集。

最后比较普通K折、时间切分和净化结果

三种评估方式放在一起，通常能暴露问题：

不能机械地认为净化后的分数必须更低。你的模型可能本来就没有泄露，或者标签期限极短，净化影响有限。但如果随机K折和普通时间切分成绩极高，加入净化后收益、胜率和稳定性同时大幅回落，就要认真检查原先的评估是否被污染。

评估结果下降不是坏消息。它只是把隐藏的亏损提前暴露在纸面上，而不是等账户在实盘里替你缴学费。

从单一指标转向路径分布与交易结果

金融模型的性能不能只看分类准确率。标签定义、交易成本、持仓期限和仓位管理都会改变最终收益。

在CPCV产生的多条样本外路径上，至少应当同时观察：

• 累计收益；
• 最大回撤；
• 夏普比率；
• 胜率与盈亏比；
• 连续亏损次数；
• 换手率；
• 手续费和滑点；
• 不同波动状态下的表现；
• 信号数量是否集中在少数测试块；
• 交易结果是否依赖个别极端行情。

尤其是滑点。模型在标签层面预测正确，不代表订单能按回测价格成交。高频策略一旦把盘口冲击、排队位置和成交延迟加入，收益可能被直接击穿。净化交叉验证解决的是统计评估污染，不会替你解决执行层问题。别把统计洁净误认为交易可行。

一套没有经过净化和禁运的回测，连入场逻辑都尚未获得审判资格，更谈不上用收益曲线证明自己。

路径分布还可以帮助你识别策略依赖。若模型只在某几个测试块盈利，其他路径持续亏损，说明它可能在吃单一市场状态。若模型在不同路径中收益有限但回撤结构接近，后续再叠加成本和容量分析，才有继续研究的价值。

一条实战上的判断原则

面对任何金融时序模型，我会先问五个问题：

1. 标签从什么时候开始，到什么时候真正闭合；

2. 训练样本和测试样本的标签窗口是否发生交叉；

3. 测试块之后是否设置了与序列相关性匹配的禁运区间；

4. 特征处理、标准化和选择过程是否只在训练集内拟合；

5. 模型是否通过多条完全样本外路径接受检验。

这五个问题有一个答不上来，就不要急着讨论网络层数、学习率或特征重要性。连数据边界都没守住，继续调参只是给泄露的模型抛光。

净化交叉验证的底层数学机理并不玄妙：把每个样本看成带有时间起点和结束点的区间，遇到测试区间就净化重叠部分，测试结束后再留出禁运缓冲，最后用多种测试块组合构造样本外路径。

真正难的是执行。你必须承认金融数据不是IID样本，承认标签不是一个点，承认模型训练流程的每一层都可能泄露，承认一条漂亮曲线不能替代统计分布。

金融市场不会因为你的回测报告写得完整，就给你更好的成交价。标签窗口没有清干净，模型就会带着未来信息进场；禁运没有设置，序列相关性就会贴着测试边界逼空；路径没有拆开，单次盈利就可能只是行情给你的诱饵。

先把泄露击穿，再谈预测。否则下一次被扫损的，不是模型，而是你的本金。

相关阅读: 交易员决策疲劳应对策略：减少日内无效交易的系统化方案 、 全职交易员的社交孤立：享受孤独还是走向心理失衡？.